Waarom de meeste AI-piloten falen in chemische fabrieken – lessen van experts uit de industrie

Helaas hoge verwachtingen, inconsistente gegevens en geïsoleerde pilots kunnen AI-piloten ervan weerhouden een succesvolle implementatie in de echte wereld te realiseren. De oplossing ligt in industriële intelligentie die de cirkel tussen voorspelling en fabrieksvloer sluit, schrijft Stephen Reynolds, Industry Principal, Chemicals bij AVEVA .

Elke Formule 1-auto genereert tijdens een race honderden gigabytes aan telemetriegegevens – van bandendegradatie en brandstofverbruik tot remtemperatuur, weersveranderingen en gedrag van concurrenten. Die gegevens worden in realtime naar ingenieurs op het circuit en in externe laboratoria gestreamd, waardoor ze de prestaties kunnen analyseren, de strategie kunnen optimaliseren en een concurrentievoordeel kunnen behalen in een sport waar elke milliseconde telt. Het herinnert ons eraan dat succes niet gaat over de omvang van uw dataset of hoe geavanceerd uw model is, maar of inzichten worden omgezet in tijdige, operationele beslissingen.

Abonneer u op PII en ontvang:

Ons al lang bestaande tweemaandelijkse digitale tijdschrift Process Industry Informer , met exclusieve artikelen, nieuws en updates uit de hele procesindustrie, plus commentaar van onze drie experts uit de sector:

Sean Moran

Gavin Smith

Dave Green

PLUS:

• Procesindustrie-update – onze wekelijkse e-nieuwsbrief
• PII-podcast
• Speciale berichten van onze advertentiepartners

Chemische fabrieken kunnen beter presteren dan de markt door AI te behandelen als een krachtige raceauto. Ze genereren al miljarden datapunten uit sensoren, laboratoria en ERP-systemen. Bedrijven voeren AI-pilots uit, testen modellen en lanceren proof-of-concepts, waarbij McKinsey meldt dat 78% van de organisaties AI in ten minste één bedrijfsfunctie gebruikt.

De meeste AI-piloten blijven hangen

Toch wacht de overgrote meerderheid van de piloten voordat ze waarde leveren. Uit een recent onderzoek blijkt dat 88% van de AI-pilots nooit in productie komt, en MIT meldde in augustus dat 95% van de generatieve AI-initiatieven gericht op het snel genereren van inkomsten mislukken.

Dit ‘AI-vagevuur’ is geen gebrek aan verbeeldingskracht – het is een gebrek aan strategie en actie. Het vertalen van inzichten naar actie in de echte wereld, net als een perfecte F1-strategie zonder bandenwissels, is essentieel.

AI is niet plug-and-play

Teams worden vaak het slachtoffer van het glanzende-objectsyndroom, waarbij AI wordt beschouwd als een plug-and-play-oplossing. Wanneer de ambitie de infrastructuur overtreft, worden modellen toegepast op taken waarvoor ze niet zijn ontworpen, met inconsistente of vertraagde laboratorium- en sensorgegevens, en blijven ze geïsoleerd van de bedrijfsvoering. De resulterende inzichten kunnen niet worden toegepast op processen in de echte wereld.

“Volgens een recent onderzoek slaagt maar liefst 88% van de AI-pilots er niet in om de productie te bereiken.”

Zelfs als AI vervuiling in een reactor of inactieve katalysatoren voorspelt, verdwijnt de waarde als operators niet kunnen handelen vanwege slecht uitgelijnde workflows. Het ongeduld om onmiddellijke resultaten en het gebrek aan voortdurende feedback van nieuwe grondstoffen verergeren het probleem. Gefragmenteerde technologie staat gelijk aan gefragmenteerde resultaten.

Om de pole position te bereiken – de concurrentie voor te blijven – zijn cross-functionele samenwerking en een verbonden ecosysteem nodig dat industriële chemische systemen verenigt. Dat betekent het koppelen van MES, LIMS, ERP, historici en procescontrolesystemen binnen één platform, waardoor één enkele bron van waarheid ontstaat die datasilo's afbreekt en intelligente inzichten levert in bestaande controlelussen op de werkvloer en op directieniveau.

“Alleen met deze drie elementen – samengestelde data, procesbewuste intelligente modellen en geïnspireerde mensen die op de hoogte zijn – gaat AI verder dan theoretische concepten naar echte operationele en R&D-resultaten, wat zorgt voor minder downtime, hogere opbrengsten en kortere innovatiecycli.”

AI wordt groter, mensen stijgen

Het beheren en centraliseren van industriële data is het uitgangspunt. Modellen moeten zo worden ontworpen dat ze de upstream- en downstream-afhankelijkheden respecteren. Het allerbelangrijkste is dat teams moeten vertrouwen op de informatie die ze ontvangen en de bevoegdheid hebben om daarop te reageren. Het vermijden van AI-vagevuur moet worden gezien als een culturele verschuiving en niet louter als een technologische upgrade.

Alleen met zorgvuldig samengestelde data, procesbewuste modellen en geïnspireerde mensen die op de hoogte zijn, kan AI overgaan van concept naar tastbare operationele en R&D-voordelen.

Zo behaalde SCG Chemicals in slechts zes maanden een fabrieksbetrouwbaarheid van 99% en een negenvoudig rendement op de investering. Om een van de grootste chemische toeleveringsketens van Azië draaiende te houden, heeft SCG een digitaal betrouwbaarheidsplatform gebouwd waarin AI gedurende de hele levenscyclus is geïntegreerd.

Door voorspellende analyses, gecentraliseerde data en digital twin-omgevingen op één plek te integreren, stelt het platform teams in staat om procesbeslissingen te nemen, vergelijkbaar met het bewapenen van F1-raceteams met realtime intelligentie.

Met dashboards variërend van bedrijfsunitniveau tot individuele apparatuur hebben de teams van SCG toegang tot bruikbare informatie en correleren deze binnen 10 seconden met realtime gegevens. Door kritieke punten te identificeren om uitval van bedrijfsmiddelen te voorkomen, is de betrouwbaarheidskloof gedicht en zijn de onderhoudskosten met 40% gedaald.

De gebruiksscenario's van AI strekken zich uit over de hele chemische sector en strekken zich uit tot het verbeteren van de uptime van bedrijfsmiddelen met voorspellende analyses, hybride modellering om productinnovatie te versnellen en zelfs de ontdekking van ingrediënten voor ecologisch duurzame materialen.

“Wanneer chemische bedrijven deze stapsgewijze aanpak hanteren, gaan ze verder dan reactieve probleemoplossing.”

Het vagevuur van AI-piloot voorkomen

Voor succes op elk gebied is meer nodig dan het behandelen van AI-pilots als technologie-experimenten – een pad dat opname in de statistiek van 95% mislukkingen garandeert. Naarmate digitale en analysetools worden ingevoerd, hebben bedrijven end-to-end-benaderingen nodig om analyses om te zetten in operationele verbeteringen, zoals Deloitte benadrukte in zijn recente vooruitzichten voor de chemische sector.

Het overwinnen van het AI-vagevuur begint met een verschuiving in perspectief, inclusief culturele verandering. Definieer eerst de KPI die u wilt wijzigen en kwantificeer de impact ervan op de workflow. Piloten die alles proberen te doen, bereiken niets.

Bouw vervolgens een data-first verbonden ecosysteem, waarin historici, MES, LIMS en leveranciersprogramma's worden geïntegreerd. Succes hangt af van de kwaliteit van de gegevens, zoals Arthur D. Little opmerkt; schema's moeten worden gestandaardiseerd, metagegevens moeten worden geannoteerd en laboratoriumprotocollen moeten worden opgesteld.

Selecteer vervolgens de juiste AI en maak deze waarneembaar. Patroonherkenning kan bijvoorbeeld apparatuurstoringen voorspellen, LLM's kunnen nalevingsdocumenten doorzoeken en hybride modellering kan innovatieve toepassingen zoals formulering stimuleren.

Vervolgens kunt u één use case tegelijk produceren en schalen. Ten slotte verminderen cross-functionele evaluatie en governance – McKinsey beveelt aan om senior leiders met toezicht te belasten – de modeldrift en het adoptierisico te verminderen.

Wanneer chemische bedrijven deze stapsgewijze aanpak hanteren, gaan ze verder dan reactieve probleemoplossing. Operators kunnen vervuiling anticiperen, de reactieomstandigheden aanpassen en stilstand voorkomen. R&D-teams versnellen de formuleringen en zorgen tegelijkertijd voor een consistente opschaling. De industrie kan eindelijk echte waarde halen uit haar AI-investeringen, net zoals F1-teams telemetrie omzetten in racewinnende beslissingen in een fractie van een seconde.